基于多层神经网络的智能家居入侵检测方法研究

发布时间：2024-05-07 03:11

　　依托物联网、云计算、大数据、人工智能等技术的智能家居正在快速发展,给人们带来便利的同时,却面临着拒绝服务、非法访问或隐私泄露等信息安全风险,智能家居的入侵检测研究还处于起步阶段,现有解决方案存在难以处理大量高维度数据、检测率低、误检率高等问题。本文在分析智能家居网络面临的安全威胁和网络自身特点的基础上,确立高检测精度和低时延的目标,对智能家居入侵检测方法进行了深入探究。本文的主要贡献包括:1、提出一种融合深度学习与模糊神经网络的多层神经网络入侵检测方法,构建起基于多层神经网络的智能家居入侵检测模型。基于深度学习完成数据特征的学习,将高维数据映射为低维数据,基于模糊神经网络分析判断低维数据的类别。2、针对传统方法依赖经验确定网络层数的问题,提供一种优化确定网络深度的方法,基于网络的重构误差判断其深度,使网络能够自组织完成训练;既能保证检测准确率,又可降低算法的时间复杂度。3、搭建了由数据采集、数据预处理、入侵检测和本地报警四个模块组成的智能家居入侵检测验证系统。通过winpcap完成对服务器网卡的数据包的捕获和解析,基于包头和内容信息的统计特征,并通过字符串转换为数值和归一化处理得到待检...

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

监测家庭环境，以确保家居环境的安全性和舒发，实现信息收集汇总，并与服务器进行信息实现底层节点与服务器的连接；服务器是智能现人机交互和智能控制，是互联网与室内智能设各传感器所监测结果，如温度、湿度等，对监击的入侵行为进行显示并报警；用户远程智能终可以远程监测和控制智能家居系统。

是由Hinton和Sejnowski等人于1986年提出别是可见层单元和隐藏层单元。限制波尔兹曼机的各个节点可以任意连接，限制波尔兹曼机则会存在连接，可见层节点之间和隐藏层节点之)为可见层单元，其中为可见层节点数量，表；(,,,)为隐藏层单元，其中....

图4.4误检率对比过对比发现，多层神经网络和文献[32]中提到的基于深度学习4层神量较大的DoS攻击和R2L攻击有较高的检测率以及具有较低的误检较少的probing攻击和U2L攻击检测率较低，此情况下，浅层网优于是本文提出的多层神经网络引入了模糊神经网络，....

图4.5基于不同数量训练样本的检测准确率KDDCUP99数据集中在训练集和测试集均未出现的新型攻击，形成。将该测试集应用于本文提出的多层神经网络、由4个限制波尔兹曼置信网络和BP神经网络，其检测率如表4.4所示。表4.4三种神经网络针对新型攻击检测率多层神....

本文编号：3966736